CN112990425A - 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 - Google Patents
5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112990425A CN112990425A CN201911308339.7A CN201911308339A CN112990425A CN 112990425 A CN112990425 A CN 112990425A CN 201911308339 A CN201911308339 A CN 201911308339A CN 112990425 A CN112990425 A CN 112990425A
- Authority
- CN
- China
- Prior art keywords
- service level
- neural network
- network model
- level agreement
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及通信核心网技术领域，公开了一种一种5G网络切片的自动分类方法、其装置、电子设备及计算机存储介质，该方法包括：根据服务等级协议的历史数据，生成训练数据集合使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；获取当前服务等级协议的用户需求并输入所述在线分类器；通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。通过上述方式，本发明实施例实现了SLA自动分类，可以极大的提升了SLA分类的效率，实现对切片模板的精准选择。
Description
技术领域
本发明实施例涉及通信核心网技术领域，具体涉及一种5G网络切片的自动分类方法、其装置、电子设备及计算机存储介质。
背景技术
网络切片是根据不同业务应用对用户数、QoS、带宽的要求，将物理网络切成多张相互独立的逻辑网络的技术，用于满足特定目标、特定服务类别甚至特定客户的需求。其基于一系列切片服务提供商(例如运营商)和切片客户(例如采用切片承载流媒体的内容提供商)约定的服务条款，为5G用户，尤其是垂直行业的5G用户，提供高质量的切片服务。
其中，服务保障等级协议(Service Level Agreement，SLA)是针对所提供的服务类型约定的切片编排、服务区域/时间以及保障等级的服务条款，定义或者表达了具体的用户需求。
根据目前5G主流的三大应用场景：eMBB、uRLLC、mMTC对用户数、QoS、带宽等的不同要求，可以定义三种不同的通信服务类型，分别对应三种切片模板。
在实现本发明实施例的过程中，发明人发现：现有的分类过程都是采用人工分类的方式，由技术人员根据服务等级协议(SLA)的用户需求对其进行分类，确定其所属的通信服务类型。这样的人工分类方式效率低下，无法与垂直行业的应用需求快速增长相适配，不适应5G自动化运维的要求。
发明内容
鉴于上述问题，本发明实施例提供了一种5G网络切片的自动分类方法、其装置、电子设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种5G网络切片的自动分类方法。
其中，所述方法包括：
根据服务等级协议的历史数据，生成训练数据集合；
使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；
在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；
获取当前服务等级协议的用户需求并输入所述在线分类器；
通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
在一种可选的方式中，所述根据服务等级协议的历史数据，生成训练数据集合，进一步包括：
标注所述历史数据中的服务等级协议所属的网络切片类型；
确定定义所述服务等级协议的用户需求的若干个需求属性；
获取所述服务等级协议中的每个所述需求属性的属性值。
在一种可选的方式中，所述获取所述服务等级协议中的每个所述需求属性的属性值之后，进一步包括：
将非数值型的属性值转换为数值型的属性值；
对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。
在一种可选的方式中，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；
所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；
所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；
所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；
每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。
在一种可选的方式中，所述全连接层设置有6层，包括第一至第六全连接层；
所述第一和第二全连接层包含64个神经元，所述第三和第四全连接层包含32个神经元，所述第五和第六全连接层包含16个神经元；所述舍弃层的神经元舍弃概率设置为20％。
在一种可选的方式中，所述使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练，进一步包括：
通过所述神经网络模型，计算所述历史数据中的服务等级协议属于不同网络切片类型的概率；
根据所述神经网络模型对服务等级协议的分类错误的概率，计算所述神经网络模型的对数损失；
通过适应性矩阵估计优化算法求解使所述对数损失最小的神经网络模型。
在一种可选的方式中，所述通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型之后，进一步包括：
输出与所述网络切片类型对应的切片模板。
根据本发明实施例的另一方面，提供了一种5G网络切片的自动分类装置，包括：
数据预处理模块，用于根据服务等级协议的历史数据，生成训练数据集合；模型训练模块，用于使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；分类器生成模块，用于在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；用户需求提取模块，用于获取当前服务等级协议的用户需求并输入所述在线分类器；输出模块，用于通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
根据本发明实施例的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的自动分类方法。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行如上所述的自动分类方法。
本发明实施例通过基于深度学习的神经网络对SLA的用户需求进行分析并自动的输出对应的网络切片类型，能够有效的克服人工分类存在的缺陷，极大的提升了SLA分类的效率，实现对切片模板的精准选择。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的自动分类方法流程图；
图2示出了本发明实施例提供的神经网络模型的示意图；
图3示出了本发明实施例提供的自动分类装置的结构示意图；
图4示出了本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明5G网络切片的自动分类方法实施例的流程图，该方法可以应用于通信服务管理功能模组(CSMF)中。该通信服务管理功能模组可以由任何合适类型的服务器、数据库以及计算机等电子设备构成的电子化计算平台所实现。如图1所示，该方法包括以下步骤：
步骤110：根据服务等级协议的历史数据，生成训练数据集合。
服务等级协议(Service level Agreement,SLA)通常包括安全性/私密性、可见性/可管理性、可靠性/可用性，以及具体的业务特征(业务类型、空口需求、定制化网络功能等)和相应的性能指标(时延、吞吐率、丢包率、掉话率等)等的内容信息，从多个不同的维度体现了用户的实际需求。
训练数据集合是监督学习的基础。亦即，神经网络需要通过一些已知结果的数据信息来学习和确定模型中的参数。通过对历史数据中已有的服务等级协议的人工标注和数据转换等处理步骤以后，便可以使其形成训练数据。多个不同的服务等级协议便可组成完整的训练数据集合。
在一些实施例中，根据已有服务等级协议生成训练数据的步骤包括：
首先，标注所述历史数据中的服务等级协议所属的网络切片类型。本实施例中的神经网络模型的任务是对服务等级协议进行分类。由此，需要通过人工或者其他合适的方式，对已有的服务等级协议所对应的类别进行标注，记录其正确的分类类别。
然后，确定定义所述服务等级协议的用户需求的若干个需求属性。一份完整的服务等级协议中包含有许多不同的内容信息。服务等级协议的内容繁多，通常会有多个不同的维度来描述具体的用户需求。
为了方便输入到模型中进行计算，还需要筛选和确定其中与用户需求相关的部分，并以结构化数据的形式来表示。具体设置的“需求属性”可以由技术人员根据实际情况的需要进行设置，其可以理解为用户需求某一个维度上的特征(例如，网络速度、覆盖范围等)
最后，获取所述服务等级协议中的每个所述需求属性的属性值。属性值是指服务等级协议在该项需求属性下的值。属性值可能是任何类型的数据信息，具体与需求属性相关。
通过这样的方式，每个服务等级协议便可以被转换为多个字段的结构化表示形式，每个字段为一个需求属性。例如，这些字段可以包括：时延(小于5ms)、吞吐率、丢包率、掉话率、可靠性(99.999％)、服务范围、用户规模、隔离性(强、中、弱)、安全性(强、中、弱)、接入方式、max TP/site(5Gbps)、网络切片类型。
较佳的是，在转换为结构化数据表示以后，还可以进一步的将非数值型的属性值转换为数值型的属性值后，对每个所述需求属性的属性值均进行归一化处理(例如归一化均值为0，方差为1)，以提升模型的训练速度和精度。
步骤120：使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练。
其中，该神经网络模型是由技术人员预先构建或者搭建好的模型。通过训练数据集合学习模型中的参数。神经网络模型是由输入层、隐藏层以及输出层组成的模型。其通过各层中神经元之间的传递，来实现对训练数据集合的学习。隐藏层可以根据实际情况的需要，由技术人员选用多种功能层(如池化和卷积)搭建形成。
步骤130：在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器。
对神经网络模型的训练通常被转换为一个在约束条件下，不断迭代寻优的过程。在不断迭代寻优的过程中，神经网络模型会逐步的收敛至最优点。目标优化结果是技术人员预先设定的，用于终止训练的标准。其具体可以根据实际情况的需要而进行设置，可以是多种不同标准的组合。
达到目标优化结果后的神经网络模型可以被认为训练完毕，可以导出使用，用于对新输入的服务等级协议进行在线自动分类。
步骤140：获取当前服务等级协议的用户需求并输入所述在线分类器。
该在线分类器作为最优的神经网络模型，需要输入与训练数据相同的需求属性。在进行在线分类时，可以使用与生成训练数据相同的数据预处理方式对当前服务等级协议的内容信息进行处理，以多种需求属性来表示或者定义该服务等级协议的用户需求。
步骤150：通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
网络切片类型是指该服务等级协议需要使用到的切片。其具体所涉及的网络切片类型可以根据实际情况的需要预先设置或者确定。在一些实施例中，根据5G网络的实际应用场景，可以设置增强移动宽带、大规模物联网以及高可靠低时延通信三种不同的网络切片类型。
其中，增强移动宽带(eMBB,enhanced Mobile Broadband)是作为移动通信最基本的方式，包括连续广域和局部热点高容量覆盖，满足移动性、连续性、高速率和高密度的需求。如随时随地高清视频直播和分享、虚拟现实、随时随地云存取、高速移动上网、人工智能等。
大规模物联网(mMTC,massive Machine Type Communications)是面向环境监测、智能抄表、智能农业等以传感和数据采集为目标的应用场景，具有小数据包、低功耗、低成本、海量链接的特点，要求支持百万/平方公里连接数的密度。
高可靠低时延通信(uRLLC,Ultra-Reliable and Low Latency Communications)是面向车联网、工业控制、智能制造、智能交通物流等垂直行业的特殊应用需求，为用户提供毫秒级的端到端时延和接近100％的业务可靠性保证。
在另一些实施例中，在自动分类完毕，确定SLA所属的网络切片类型以后，可以相应的提供至网络切片管理功能模组(NSMF)，由网络切片管理功能模组(NSMF)选择该业务类型对应的切片模板进行网络切片，为客户提供符合用户需求的定制化网络服务。
本发明实施例的自动分类方法中，通过神经网络模型学习和归纳训练数据集合中的SLA的用户需求与网络切片类型之间的映射规律。将训练收敛后的模型权重作为在线分类器可以对新的SLA自动进行快速分类，确定其对应的网络切片类型，从而实现对切片模板的精准选择。
图2示出了本发明基于深度学习框架搭建的神经网络模型一个实施例的示意图。基于深度学习框架搭建的神经网络又可以被称为深度神经网络(DNN，deep neuralnetwork)。
其中，“深度”是指神经网络模型中的隐藏层包含有多层神经网络。神经元(Neuron)是神经网络的基本单元，也称节点(Node)，它从外部或其它节点收到输入(Input)，并通过一个激活函数(Activation Function)来计算输出(Output)。另外，每一个输入都有对应的权重(Weight)，即这个节点收到的每一个输入的相对重要性。
如图2所示，该神经网络模型可以包括：输入层21、全连接层22以及输出层23。
其中，输出层21具有n个神经元，用于接收一个SLA中定义用户需求的n维的需求属性(n为正整数)。亦即，输入层由技术人员具体设置的，SLA中的需求属性所决定。
输出层23含有3个神经元，每个神经元分别与一种网络切片类型(增强移动宽带、大规模物联网以及高可靠低时延通信)相对应。当然，输出层设置的神经元数量也可以根据实际设置的网络切片类型而进行相应的调整，只需要与网络切片类型保持一一对应即可。输出层使用softmax函数作为激活函数，将输出层中三个神经元的输出值变换至[0,1]之间的数值，表示输入的SLA属于每种网络切片类型的概率。
全连接层22是隐藏层内的分类组件，其包含有预设数量的神经元，通过卷积运算实现对特征的总结归纳。在本实施例中，隐藏层内设置有第一至第六一共六个全连接层，并且每个全连接层之后均引入一个舍弃层。
其中，第一和第二全连接层含有64个神经元，第三和第四全连接层含有32个神经元，第五和第六全连接层含有16个神经元。全连接层使用线性整流函数(Relu函数)作为激活函数，增加神经网络模型的非线性。
舍弃层(dropout)是用于避免过拟合(overfitting)的组件。其以设定的概率p舍弃神经元并以概率q＝1-p保留其余的神经元，从而避免过拟合的情况。
在本实施例中，可以将舍弃概率p设置为20％。亦即，每次随机忽略全连接层20％的神经元，使该神经元的输出失效。
在一些实施例中，基于输出层输出的SLA属于三种网络切片类型的概率，可以使用对数损失来衡量神经网络模型的好坏。“对数损失”是通过惩罚错误的分类，实现对分类器的准确度(Accuracy)的量化方式。由此，训练的过程转换为寻找使对数损失最小的优化问题。
具体可以使用适应性矩阵估计优化算法(Adam算法)，基于训练数据集合迭代地更新神经网络模型的权重，从而令神经网络模型收敛至最优值，获得能够使多类对数损失最小的权重。
请继续参阅图2，在神经网络模型的神经元用圆圈表示。神经元之间连线代表神经元之间的连接。训练后获得的每条连线最优的权重可以导出，作为在线分类器。
在实际应用过程中，可以将训练数据集合中的90％作为训练集，其余的10％作为测试集。首先使用训练集对神经网络模型进行训练，训练回合数可以设置为1000，批处理大小设置为64，自主学习到每条连线的权重。
具体而言，训练数据中标注了该SLA正确的分类结果(即真实所属的网络切片类型)。由此，可以确定神经网络模型对SLA的错误分类的概率并相应的计算出该训练数据的对数损失。
随着训练回合数的不断增加，神经网络模型会逐渐收敛。将收敛以后的神经网络模型通过测试集进行测试，来评价该神经网络模型的分类准确率。
最终的神经网络模型的权重可以被导出作为在线分类器使用。当前的SLA可以被CSMF获取，并且进行相应的数据处理步骤提取该SLA的需求属性。
这些需求属性作为在线分类器的输入，经过在线分类器的计算后，输出该SLA属于三种不同网络切片类型(增强移动宽带、大规模物联网以及高可靠低时延通信)的概率。概率最高的网络切片类型会被输出至NSMF，由NSMF选择与其对应的切片模板，进行网络切片从而提供符合用户需求的网络服务。
具体可以使用任何合适类型的数据信息来表示上述的三种网络切片类型。例如，可以使用独热编码(onehotencoding)，将增强移动宽带、大规模物联网以及高可靠低时延通信分别标记为100,010以及001。亦即，100表示增强移动宽带，010表示大规模物联网，而高可靠低时延通信表示001。
图3示出了本发明5G网络切片的自动分类装置实施例的结构示意图。如图3所示，该自动分类装置300包括：数据预处理模块310、模型训练模块320、分类器生成模块330、用户需求提取模块340以及输出模块350。
其中，数据预处理模块310用于根据服务等级协议的历史数据，生成训练数据集合。模型训练模块320用于使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练。分类器生成模块330用于在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器。用户需求提取模块340用于获取当前服务等级协议的用户需求并输入所述在线分类器。输出模块350用于通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
在一种可选的方式中，数据预处理模块310具体用于标注所述历史数据中的服务等级协议所属的网络切片类型；确定定义所述服务等级协议的用户需求的若干个需求属性；获取所述服务等级协议中的每个所述需求属性的属性值。
在一种可选的方式中，数据预处理模块310在获取需求属性的属性值以后，还用于将非数值型的属性值转换为数值型的属性值；对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。
在一种可选的方式中，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；
所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；
所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；
所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；
每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。
在一种可选的方式中，所述全连接层设置有6层，包括第一至第六全连接层；所述第一和第二全连接层包含64个神经元，所述第三和第四全连接层包含32个神经元，所述第五和第六全连接层包含16个神经元；所述舍弃层的神经元舍弃概率设置为20％。
在一种可选的方式中，模型训练模块320具体用于：通过所述神经网络模型，计算所述历史数据中的服务等级协议属于不同网络切片类型的概率；根据所述神经网络模型对服务等级协议的分类错误的概率，计算所述神经网络模型的对数损失；通过适应性矩阵估计优化算法求解使所述对数损失最小的神经网络模型。
在一种可选的方式中，输出模块350还用于输出与所述网络切片类型对应的切片模板。亦即，根据SLA的网络切片类型，确定与SLA对应的切片模板，使其能够提供符合用户需求的网络服务。
本发明实施例的自动分类装置解决了目前切片SLA需求需要人工分类的现状。首先从CSMF通信服务管理功能中获取行业用户的SLA业务需求的历史数据，通过人工添加分类标签等一系列数据处理方式形成训练数据。然后通过深度学习框架搭建深度神经网络模型自动归纳出SLA需求映射业务类型的规律。最后，从CSMF通信服务管理功能中获取该行业用户的SLA业务需求，经SLA需求预处理模块对多维度属性预处理后输入收敛完毕的模型，输出该用户SLA需求所对应的切片类型发送给NSMF网络切片管理功能并由NSMF选择该业务类型对应的切片模板，实现了对垂直行业用户切片需求的快速分类和切片模板的精准选择。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的自动分类方法。
可执行指令具体可以用于使得处理器执行以下操作：根据服务等级协议的历史数据，生成训练数据集合；使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；获取当前服务等级协议的用户需求并输入所述在线分类器；通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
在一种可选的方式中，所述根据服务等级协议的历史数据，生成训练数据集合，进一步包括：标注所述历史数据中的服务等级协议所属的网络切片类型；确定定义所述服务等级协议的用户需求的若干个需求属性；获取所述服务等级协议中的每个所述需求属性的属性值。
在一种可选的方式中，所述获取所述服务等级协议中的每个所述需求属性的属性值之后，进一步包括：将非数值型的属性值转换为数值型的属性值；对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。
在一种可选的方式中，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。
在一种可选的方式中，所述全连接层设置有6层，包括第一至第六全连接层；所述第一和第二全连接层包含64个神经元，所述第三和第四全连接层包含32个神经元，所述第五和第六全连接层包含16个神经元；所述降采样层的神经元舍弃概率设置为20％。
在一种可选的方式中，所述使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练，进一步包括：通过所述神经网络模型，计算所述历史数据中的服务等级协议属于不同网络切片类型的概率；根据所述神经网络模型对服务等级协议的分类错误的概率，计算所述神经网络模型的对数损失；通过适应性矩阵估计优化算法求解使所述对数损失最小的神经网络模型。
在一种可选的方式中，在通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型之后，所述可执行指令还可使所述处理器执行以下操作：输出与所述网络切片类型对应的切片模板。
本发明实施例提供的非易失性存储介质可执行的自动分类方法，通过神经网络模型学习和归纳训练数据集合中的SLA的用户需求与网络切片类型之间的映射规律。将训练收敛后的模型权重作为在线分类器可以对新的SLA自动进行快速分类，确定其对应的网络切片类型，从而实现对切片模板的精准选择。
图4示出了本发明网络切片设备实施例的结构示意图，本发明具体实施例并不对网络切片设备的具体实现做限定。
如图4所示，该网络切片设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述用于5G网络切片的自动分类方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。网络切片设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：根据服务等级协议的历史数据，生成训练数据集合；使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；获取当前服务等级协议的用户需求并输入所述在线分类器；通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
在一种可选的方式中，所述根据服务等级协议的历史数据，生成训练数据集合，进一步包括：标注所述历史数据中的服务等级协议所属的网络切片类型；确定定义所述服务等级协议的用户需求的若干个需求属性；获取所述服务等级协议中的每个所述需求属性的属性值。
在一种可选的方式中，所述获取所述服务等级协议中的每个所述需求属性的属性值之后，进一步包括：将非数值型的属性值转换为数值型的属性值；对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。
在一种可选的方式中，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。
在一种可选的方式中，所述全连接层设置有6层，包括第一至第六全连接层；所述第一和第二全连接层包含64个神经元，所述第三和第四全连接层包含32个神经元，所述第五和第六全连接层包含16个神经元；所述降采样层的神经元舍弃概率设置为20％。
在一种可选的方式中，所述使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练，进一步包括：
通过所述神经网络模型，计算所述历史数据中的服务等级协议属于不同网络切片类型的概率；根据所述神经网络模型对服务等级协议的分类错误的概率，计算所述神经网络模型的对数损失；通过适应性矩阵估计优化算法求解使所述对数损失最小的神经网络模型。
在一种可选的方式中，在通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型之后，所述程序410还使所述处理器执行以下操作：输出与所述网络切片类型对应的切片模板。
在本发明实施例提供的网络切片设备中，通过神经网络模型学习训练数据集合中SLA用户需求与网络切片类型之间关联以提供相应的在线分类器。由此，可从CSMF通信服务管理功能中获取该行业用户的SLA业务需求，经SLA需求预处理模块对多维度属性预处理后输入到在线分类器中，输出该用户SLA需求所对应的切片业务类型并发送给NSMF，对垂直行业用户切片需求进行快速分类。最终由NSMF选择该业务类型对应的切片模板，实现对切片模板的精准选择
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种5G网络切片的自动分类方法，其特征在于，所述方法包括：
根据服务等级协议的历史数据，生成训练数据集合；
使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；
在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；
获取当前服务等级协议的用户需求并输入所述在线分类器；
通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
2.根据权利要求1所述的方法，其特征在于，所述根据服务等级协议的历史数据，生成训练数据集合，进一步包括：
标注所述历史数据中的服务等级协议所属的网络切片类型；
确定定义所述服务等级协议的用户需求的若干个需求属性；
获取所述服务等级协议中的每个所述需求属性的属性值。
3.根据权利要求2所述的方法，其特征在于，所述获取所述服务等级协议中的每个所述需求属性的属性值之后，进一步包括：
将非数值型的属性值转换为数值型的属性值；
对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。
4.根据权利要求2所述的方法，其特征在于，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；
所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；
所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；
所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；
每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。
5.根据权利要求4所述的方法，其特征在于，所述全连接层设置有6层，包括第一至第六全连接层；
所述第一和第二全连接层包含64个神经元，所述第三和第四全连接层包含32个神经元，所述第五和第六全连接层包含16个神经元；所述舍弃层的神经元舍弃概率设置为20％。
6.根据权利要求4所述的方法，其特征在于，所述使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练，进一步包括：
通过所述神经网络模型，计算所述历史数据中的服务等级协议属于不同网络切片类型的概率；
根据所述神经网络模型对服务等级协议的分类错误的概率，计算所述神经网络模型的对数损失；
通过适应性矩阵估计优化算法求解使所述对数损失最小的神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型之后，进一步包括：
输出与所述网络切片类型对应的切片模板。
8.一种5G网络切片的自动分类装置，其特征在于，所述装置包括：
数据预处理模块，用于根据服务等级协议的历史数据，生成训练数据集合；
模型训练模块，用于使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；
分类器生成模块，用于在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；
用户需求提取模块，用于获取当前服务等级协议的用户需求并输入所述在线分类器；
输出模块，用于通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。
9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任一项所述的自动分类方法。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7任一项所述的自动分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911308339.7A CN112990425A (zh) | 2019-12-18 | 2019-12-18 | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911308339.7A CN112990425A (zh) | 2019-12-18 | 2019-12-18 | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990425A true CN112990425A (zh) | 2021-06-18 |
Family
ID=76343865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911308339.7A Pending CN112990425A (zh) | 2019-12-18 | 2019-12-18 | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990425A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313004A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种在物联网中基于深度学习的QoS流分类方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6654374B1 (en) * | 1998-11-10 | 2003-11-25 | Extreme Networks | Method and apparatus to reduce Jitter in packet switched networks |
| CN1815965A (zh) * | 2006-02-22 | 2006-08-09 | 北京邮电大学 | 基于服务等级协议的互联网业务的服务质量计费方法 |
| CN101051942A (zh) * | 2007-04-02 | 2007-10-10 | 北京亿阳信通软件研究院有限公司 | 确定业务服务的业务参数等级量化范围的方法和装置 |
| US20130246105A1 (en) * | 2012-03-19 | 2013-09-19 | Sap Ag | Service level agreement translation for service oriented systems |
| CN103873569A (zh) * | 2014-03-05 | 2014-06-18 | 兰雨晴 | 一种基于IaaS云平台的资源优化部署方法 |
| US20140200947A1 (en) * | 2013-01-15 | 2014-07-17 | Xerox Corporation | Methods and systems for regulating service layer agreements for multiple cloud service requests |
| CN105791151A (zh) * | 2014-12-22 | 2016-07-20 | 华为技术有限公司 | 一种动态流量控制方法，及装置 |
| CN107818376A (zh) * | 2016-09-13 | 2018-03-20 | 中国电信股份有限公司 | 用户流失预测方法和装置 |
| CN108446378A (zh) * | 2018-03-16 | 2018-08-24 | 蜜芽宝贝（北京）网络科技有限公司 | 基于用户搜索的方法、系统及计算机存储介质 |
| CN109151906A (zh) * | 2017-06-16 | 2019-01-04 | 华为技术有限公司 | 通信方法、网络设备、终端设备和系统 |
| CN109196514A (zh) * | 2016-02-01 | 2019-01-11 | 西-奥特私人有限公司 | 图像分类和标记 |
| US20190132350A1 (en) * | 2017-10-30 | 2019-05-02 | Pricewaterhousecoopers Llp | System and method for validation of distributed data storage systems |
| CN110535679A (zh) * | 2019-07-09 | 2019-12-03 | 中移（杭州）信息技术有限公司 | 切片的管理方法、架构、网络切片销售平台和管理系统 |
-
2019
- 2019-12-18 CN CN201911308339.7A patent/CN112990425A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6654374B1 (en) * | 1998-11-10 | 2003-11-25 | Extreme Networks | Method and apparatus to reduce Jitter in packet switched networks |
| CN1815965A (zh) * | 2006-02-22 | 2006-08-09 | 北京邮电大学 | 基于服务等级协议的互联网业务的服务质量计费方法 |
| CN101051942A (zh) * | 2007-04-02 | 2007-10-10 | 北京亿阳信通软件研究院有限公司 | 确定业务服务的业务参数等级量化范围的方法和装置 |
| US20130246105A1 (en) * | 2012-03-19 | 2013-09-19 | Sap Ag | Service level agreement translation for service oriented systems |
| US20140200947A1 (en) * | 2013-01-15 | 2014-07-17 | Xerox Corporation | Methods and systems for regulating service layer agreements for multiple cloud service requests |
| CN103873569A (zh) * | 2014-03-05 | 2014-06-18 | 兰雨晴 | 一种基于IaaS云平台的资源优化部署方法 |
| CN105791151A (zh) * | 2014-12-22 | 2016-07-20 | 华为技术有限公司 | 一种动态流量控制方法，及装置 |
| CN109196514A (zh) * | 2016-02-01 | 2019-01-11 | 西-奥特私人有限公司 | 图像分类和标记 |
| CN107818376A (zh) * | 2016-09-13 | 2018-03-20 | 中国电信股份有限公司 | 用户流失预测方法和装置 |
| CN109151906A (zh) * | 2017-06-16 | 2019-01-04 | 华为技术有限公司 | 通信方法、网络设备、终端设备和系统 |
| US20190132350A1 (en) * | 2017-10-30 | 2019-05-02 | Pricewaterhousecoopers Llp | System and method for validation of distributed data storage systems |
| CN108446378A (zh) * | 2018-03-16 | 2018-08-24 | 蜜芽宝贝（北京）网络科技有限公司 | 基于用户搜索的方法、系统及计算机存储介质 |
| CN110535679A (zh) * | 2019-07-09 | 2019-12-03 | 中移（杭州）信息技术有限公司 | 切片的管理方法、架构、网络切片销售平台和管理系统 |
Non-Patent Citations (4)
| Title |
|---|
| V. P. KAFLE等: "\"Consideration On Automation of 5G Network Slicing with Machine Learning\"", 《2018 ITU KALEIDOSCOPE: MACHINE LEARNING FOR A 5G FUTURE (ITU K)》 * |
| W. WANG等: "\"Cooperative Anomaly Detection With Transfer Learning-Based Hidden Markov Model in Virtualized Network Slicing\"", 《IEEE COMMUNICATIONS LETTERS》 * |
| 曹进军: ""基于网络切片的信息聚合研究"", 《情报理论与实践》 * |
| 王海宁等: ""基于LSTM与传统神经网络的网络流量预测及应用"", 《移动通信》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313004A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种在物联网中基于深度学习的QoS流分类方法 |
| CN117313004B (zh) * | 2023-11-29 | 2024-03-12 | 南京邮电大学 | 一种在物联网中基于深度学习的QoS流分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
| CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
| CN114065033B (zh) | 用于推荐Web服务组合的图神经网络模型的训练方法 | |
| CN113541980B (zh) | 网络切片故障根因定位方法、装置、计算设备及存储介质 | |
| CN112685539A (zh) | 基于多任务融合的文本分类模型训练方法和装置 | |
| CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
| CN112651534B (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
| CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
| CN111159508A (zh) | 一种基于算法多样性的异常检测算法集成方法及系统 | |
| CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
| CN112990425A (zh) | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 | |
| CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
| CN116863244A (zh) | 图像类别确定方法、装置、电子设备和存储介质 | |
| Gao et al. | Web services classification based on intelligent clustering techniques | |
| CN113806498B (zh) | 网络切片实例运行状况的在线问答方法及装置 | |
| CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
| CN114726800A (zh) | 一种基于模型解释的规则式应用流量分类方法及系统 | |
| CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
| CN113411841B (zh) | 5g切片的割接合并方法、装置及计算设备 | |
| CN114143163B (zh) | 基于图注意力网络的切片误告警识别方法及装置 | |
| CN113762978B (zh) | 5g切片用户的投诉定界方法、装置及计算设备 | |
| CN113469450B (zh) | 一种数据分类方法、装置、计算机设备及存储介质 | |
| CN112085040A (zh) | 对象标签确定方法、装置和计算机设备 | |
| CN113825151B (zh) | 基于关系图卷积网络的切片告警间关系预测方法及装置 | |
| CN113645059B (zh) | 切片确定方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |